You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Ideja je da se prilikom logovanja nakon unošenja korisničkog imena i šifre, kao two-factor autentifikacija koristi potvrda identiteta pomoću verifikacije lica.
Kada se aktivira sistem za prepoznavanje lica u realnom vremenu upotrebom web kamere, tada se neuronskom mrežom prvo vrši detekcija svih vidljivih lica upotrebom object detection algoritma, i zatim se kropuje lice koje je najbliže centru. Ukoliko je detektovano više lica na ekranu, ispisuje se poruka upozorenja za korisnika koja skreće pažnju da sistem najbolje funkcioniše ako
se samo jedno lice nalazi u centru kadra. Detekcija lica bi se radila na frontendu upotrebom tensorflow.js modela.
Zatim se na bekend strimuje sekvenca kropovanih slika i na bekendu se radi verifikacija lica na osnovu identiteta obezbeđenog u vidu unetih kredencijala. CNN model za verifikaciju lica na bekendu će biti treniran nakon registracije upotrebom transfer learning-a, gde će se većina slojeva prethodno istreniranog modela zaključati, a preostali slojevi će se trenirati da se prilagode prepoznavanju lica registrovanog korisnika.
U slučaju neuspešne verifikacije, nakon određenog perioda, korisniku će biti ponuđena opcija da ipak iskoristi neki drugi vid two-factor autentifikacije. Ti drugi vidovi autentifikacije neće biti implementirani.
Algoritmi
YOLO algoritam prilagođen za detekciju lica
FaceVerification (pretrained modeli + transfer learning)
VggFace2
FaceNet
Metrika
True positive rate
False positive rate
Metrike koristimo za model za verifikaciju lica po uzoru na poglavlje 4 u radu FaceNet.
Članovi tima
Asistent
Branislav Anđelić
Problem koji se rešava
Ideja je da se prilikom logovanja nakon unošenja korisničkog imena i šifre, kao two-factor autentifikacija koristi potvrda identiteta pomoću verifikacije lica.
Kada se aktivira sistem za prepoznavanje lica u realnom vremenu upotrebom web kamere, tada se neuronskom mrežom prvo vrši detekcija svih vidljivih lica upotrebom object detection algoritma, i zatim se kropuje lice koje je najbliže centru. Ukoliko je detektovano više lica na ekranu, ispisuje se poruka upozorenja za korisnika koja skreće pažnju da sistem najbolje funkcioniše ako
se samo jedno lice nalazi u centru kadra. Detekcija lica bi se radila na frontendu upotrebom tensorflow.js modela.
Zatim se na bekend strimuje sekvenca kropovanih slika i na bekendu se radi verifikacija lica na osnovu identiteta obezbeđenog u vidu unetih kredencijala. CNN model za verifikaciju lica na bekendu će biti treniran nakon registracije upotrebom transfer learning-a, gde će se većina slojeva prethodno istreniranog modela zaključati, a preostali slojevi će se trenirati da se prilagode prepoznavanju lica registrovanog korisnika.
U slučaju neuspešne verifikacije, nakon određenog perioda, korisniku će biti ponuđena opcija da ipak iskoristi neki drugi vid two-factor autentifikacije. Ti drugi vidovi autentifikacije neće biti implementirani.
Algoritmi
Metrika
Metrike koristimo za model za verifikaciju lica po uzoru na poglavlje 4 u radu FaceNet.
Evaluacija rešenja
Sistem će biti evaluiran empirijskim putem.
Repozitorijum
2FAce-verification
The text was updated successfully, but these errors were encountered: